Bob Simison traza una semblanza del economista conductual del MIT Sendhil Mullainathan, que está llevando su disciplina a la era de los algoritmos

La inteligencia artificial (IA) es demasiado importante para dejarla solo en manos de los informáticos. Así lo cree Sendhil Mullainathan, economista conductual del MIT, quien tiene más de una década de trayectoria en la aplicación de la IA a la investigación económica. Según afirma, los algoritmos son capaces de mejorar notablemente las decisiones que los seres humanos adoptan sobre cuestiones importantes, desde buscar trabajo hasta imponer fianzas en los tribunales o interpretar señales en un electrocardiograma. 

“Las ciencias económicas son especialmente adecuadas para este momento”, afirmó en una entrevista. “Es imposible crear un algoritmo sin enfrentarse a la necesidad de tomar la rareza cualitativa y confusa de la vida y contraponerla al formalismo rígido que se necesita”.

Mullainathan, de 52 años y nacido en la India, está “tendiendo puentes entre la economía que hacíamos en el siglo pasado y la que haremos en el próximo”, declaró el economista David Laibson, uno de los profesores de Mullainathan en la década de 1990 en Harvard.

Sendhil ha dirigido investigaciones sobre la psicología de la memoria, la toma de decisiones por parte de los jueces y la economía de la escasez. Los juristas de la ciudad de Nueva York utilizan algoritmos basados en sus conclusiones para imponer fianzas. En 2002, con 29 años, obtuvo una beca de USD 500.000 de la Fundación MacArthur, a cuyo consejo directivo perteneció durante doce años hasta el pasado mes de junio.

“Su trabajo es tan citado como el de cualquier otro en un momento comparable de su carrera”, afirmó el economista de Harvard Lawrence Katz, presidente de la Asociación Estadounidense de Economía. “No se me ocurre nada más estimulante intelectualmente que una breve conversación con Sendhil sobre cualquier tema que le ronde por la cabeza”.

Y eso podría ser sobre casi cualquier cosa. Sus amigos y compañeros destacan sus exhaustivas investigaciones sobre el helado y el espresso. Una vez llevó a sus compañeros de trabajo a hacer un recorrido de dos horas por las mejores heladerías de Chicago. También ha realizado sus propias investigaciones sobre nutrición y ejercicio.

“Sendhil se adentra profundamente en todo”, comentó Bec Weeks, científica conductual australiana de la Universidad de Chicago, compañera de investigación de Mullainathan y, más recientemente, compañera de vida. “Siempre tiene muchas y buenas ideas. Comprender cómo se comportan los seres humanos es el enigma central sobre el que gira su pensamiento”.

Su llegada a Estados Unidos

Fue precisamente la experiencia de vida de Mullainathan la que lo ha traído hasta aquí. El camino hasta alcanzar la cima de la profesión comenzó en un pueblo con escasa electricidad en el estado indio de Tamil Nadu, al sur de Chennai. Su familia tenía tierras, lo que la convertía en una de las familias más privilegiadas de una comunidad pobre. Su padre, Mark, logró terminar la universidad y acceder a un programa de doctorado en Ingeniería Aeronáutica en Caltech. Se marchó cuando Sendhil tenía 3 años. En el pueblo no había teléfonos, así que su padre enviaba cintas de audio con información actualizada sobre lo que estaba haciendo.

Cuatro años más tarde, obtuvo los visados para traer a Sendhil y a su madre, Sheila, a Los Ángeles. Eso supuso el final de los estudios de doctorado de Mark, ya que empezó a trabajar para mantener a su familia como ingeniero aeroespacial en empresas del sur de California, entre ellas McDonnell Douglas y Boeing.

Cuando Sendhil tenía diez años, el presidente Ronald Reagan emitió una orden que exigía una acreditación de seguridad para ese tipo de trabajo, lo que dejó a Mark sin empleo porque aún no tenía la nacionalidad estadounidense. Aunque Mark y Sheila se labraron una carrera como emprendedores en serie, como propietarios y gestores de videoclubes y vendiendo computadoras, para el joven Sendhil fue un episodio traumático.

“Aprendí que el mundo no tiene fondo, y recuerdo ese momento preciso”, comentó Mullainathan. “Me obsesioné con el desempleo”. En cierto modo, eso lo llevó a dedicarse al mundo académico. “Recuerdo haber oído, en la escuela secundaria, que los académicos tenían algo llamado titularidad. No los pueden echar. Y pensé que debía dedicarme a eso”, explicó.

“No me fue muy bien en la escuela”, confesó Mullainathan. “No soy muy bueno para memorizar sustantivos”. En cambio, en las matemáticas “todo estaba relacionado entre sí; era una cuestión de razonamiento”.

Después de rendir el examen de preparación para la universidad, el PSAT, llegó a sus manos un folleto de la Escuela Clarkson en Potsdam, Nueva York, uno de los programas de acceso temprano a la universidad más antiguos de Estados Unidos. Podría terminar la escuela secundaria allí mientras cursaba asignaturas universitarias avanzadas de Matemáticas. Solicitó la admisión, fue aceptado y les contó a sus padres el plan. Estos, aunque sorprendidos, estuvieron de acuerdo “porque siempre daban prioridad a cualquier gasto en educación”. Así que, con 16 años, se marchó a casi 5.000 kilómetros de distancia, donde las temperaturas suelen caer muy por debajo de cero.

Más tarde, al pasar a Cornell, Mullainathan siguió focalizado en las matemáticas, pero incorporó las especialidades de informática y economía. En sus propias palabras, “lo que diferenciaba a la economía de las matemáticas y la convertía en un campo fantástico era que intentaba comprender las complejidades del mundo”. Le fascinaba tratar de explicar anomalías económicas como, por ejemplo, por qué los promotores inmobiliarios de Los Ángeles vendían casas por sorteo en lugar de sencillamente subir los precios.

Economía conductual

Para sus estudios de posgrado, Mullainathan fue aceptado en el programa de doctorado en Informática del MIT, pero aplazó su inicio un año. Quería probar el programa de doctorado en Economía de Harvard. Se dedicó a ello durante los siguientes cinco años y finalizó en 1998.

En un campo en el que la referencia para medir la influencia de una publicación es que otros académicos la citen 1.000 veces, el perfil de Mullainathan en Google Scholar incluye más de una docena de trabajos con un número de citas varias veces superior. Su obra ha sido citada unas 100.000 veces, casi tantas como la obra de la ganadora del Premio Nobel Esther Duflo. Mullainathan ha ocupado cargos académicos en Harvard, la Universidad de Chicago y el MIT.

La economía conductual puede parecer un enfoque anómalo para alguien obsesionado con las matemáticas y la informática. Pero Mullainathan afirma que durante sus estudios de doctorado llegó a la conclusión de que, como economista, tenía que llegar a comprender la psicología humana.

“¿Cómo se supone que, como economistas, debemos abordar todas las rarezas, peculiaridades, debilidades, riquezas y niveles impenetrables de los seres humanos y, en última instancia, incorporarlas a nuestra comprensión de la economía?”, planteó. “Tenemos que reconocer que los seres humanos son increíblemente complicados en aspectos que resultan incomprensibles”.

Mullainathan ha dedicado su carrera a profundizar en las complejidades del comportamiento humano, a veces con resultados inesperados. Durante mucho tiempo se daba por hecho que las empresas diseñaban paquetes salariales para recompensar a los directores ejecutivos (CEO) por revalorizar la compañía. Pero en 2001, Mullainathan y su colaboradora habitual Marianne Bertrand, de la Universidad de Chicago, demostraron que “la remuneración de los CEO responde en gran medida a la suerte” como, por ejemplo, a las fluctuaciones del precio del petróleo.

Más tarde, Bertrand y Mullainathan enviaron currículos ficticios en respuesta a anuncios de empleo en Chicago y Boston, asignando aleatoriamente nombres que consideraban que podrían asociarse a personas blancas o negras. Comprobaron que las personas con nombres asociados a los blancos recibían un 50% más de llamadas, según informan en un artículo de 2004 titulado Are Emily and Greg More Employable than Lakisha and Jamal? (publicado en inglés).

Mullainathan y el psicólogo de Princeton Eldar Shafir dedicaron casi una década a realizar experimentos sobre la psicología y la economía de la escasez, ya fuera de tiempo, dinero, alimentos u otros recursos. Este ejercicio dio lugar a su influyente libro Escasez: ¿Por qué tener muy poco significa tanto?, publicado en 2013.

Shafir afirma que siguen dando conferencias sobre el libro. Durante el trabajo de investigación, los autores descubrieron que la escasez afecta notablemente al funcionamiento del cerebro, y provoca que las personas se obsesionen con aquello que escasea. Esto absorbe el ancho de banda cognitivo, de modo que la mente no funciona a pleno rendimiento y las personas quedan atrapadas en un ciclo de escasez, según revelan los autores.

Terminar el libro hace trece años dio vía libre a Mullainathan para elegir su próximo tema de investigación. 

Objetivo: la IA

“Me desperté un martes por la mañana sin nada que hacer”, confesó, e inmediatamente se puso a buscar una línea de investigación que se alejara de lo ya explorado.

“Intento elegir cosas muy, muy diferentes a lo que estudian otros. Mi principio es que si investigas temas parecidos se pierde eficiencia porque hay muchas mentes brillantes en esta profesión”.

Ese enfoque hace único a Mullainathan, opina el economista de Stanford Jann Spiess, colaborador en la investigación y antiguo alumno. “Cada pocos años, toma distancia y reevalúa lo que está haciendo”, comenta Spiess y, en su opinión, esto es parte de lo que hace de Mullainathan “una de las personas más inteligentes e innovadoras en el campo de la economía”.

En 2012, la IA despertaba poco entusiasmo fuera del ámbito de la informática, tal y como afirma Mullainathan. “Nadie la tenía en mente. Quería trabajar en algo que pudiera cambiar significativamente la tendencia”.

Mullainathan comenzó a aplicar el aprendizaje automático —un tipo de IA que utiliza algoritmos diseñados para aprender a partir de datos— para estudiar las decisiones humanas. En 2017, publicó junto a cuatro colegas un artículo en el que analizaban si el aprendizaje automático podía mejorar las decisiones de los jueces a la hora de imponer libertad bajo fianza o prisión preventiva. Utilizaron un algoritmo para analizar el riesgo de que los acusados se fugaran o cometieran otro delito, aplicándolo a una base de datos de más de 700.000 personas detenidas entre 2008 y 2013 en la ciudad de Nueva York.

Descubrieron que los jueces solían tomar decisiones erróneas y a menudo dejaban en libertad bajo fianza a acusados que el algoritmo clasificaba en la categoría de alto riesgo. “Los jueces sufren la falacia del jugador”, afirmó Jens Ludwig, de la Universidad de Chicago, uno de los investigadores. Es decir, al igual que un jugador en la ruleta que, tras cuatro rojos, predice que el siguiente resultado será negro, los juristas que ven cuatro acusados seguidos con alto riesgo tienden a poner en libertad bajo fianza al quinto, independientemente del perfil de riesgo objetivo.

Los investigadores estimaron que el uso de un algoritmo de evaluación de riesgos podría ayudar a reducir la delincuencia en un 25%, sin que se produjera ningún cambio en el número de personas en prisión, o reducir la población penitenciaria en un 42% sin que aumentara la delincuencia. Los investigadores crearon una herramienta de IA que los jueces de la ciudad de Nueva York utilizan hoy en día para ayudarlos en la toma de decisiones, confirmó Ludwig.

En su opinión, “se trata de una revolución en la economía conductual. Sendhil tiene el potencial de transformar cómo entendemos las decisiones humanas y crear herramientas para mejorar este proceso. Es esa clase de visionario”.

En un artículo publicado en 2024, Ludwig y Mullainathan utilizan la IA para demostrar que las fotografías de las fichas policiales de los acusados pueden predecir de forma confiable las decisiones de los jueces entre prisión preventiva o libertad bajo fianza. Basándose en datos de Carolina del Norte, los investigadores determinaron que las personas que aparecen bien arregladas en las fotos de sus fichas policiales o que tienen rostros más anchos o redondeados tienen más probabilidades de ser puestas en libertad bajo fianza que de ir a prisión preventiva a la espera de juicio.

Aunque esta conclusión puede parecer intuitiva, se trataba de “una conexión que nadie había advertido”, incluidos los propios abogados de oficio y jueces, afirmó Mullainathan.

En sus propias palabras, los algoritmos a veces detectan “conexiones inverosímiles” que las personas no son capaces de ver. “Se trata de un nivel al que la mente humana no puede funcionar, y un tedio imposible de gestionar para los humanos”, observó.

Citó un experimento en el que se utilizó la IA para comparar los electrocardiogramas de personas que fallecieron por un paro cardíaco repentino con los de personas que no sufrieron este tipo de muerte. El algoritmo detectó diferencias minúsculas en los exámenes que los médicos pasaron por alto. En su opinión, esto podría ayudar a identificar a las personas con mayor probabilidad de morir por un paro cardíaco repentino y a las que se les podría colocar un marcapasos.

Bicicletas para la mente

Tras seis años en la Universidad de Chicago, Mullainathan regresó al MIT en 2024 como profesor en los departamentos de Economía e Ingeniería Eléctrica e Informática. Actualmente lidera una iniciativa llamada “The Bike Shop @ MIT” (la tienda de bicicletas del MIT), que utiliza algoritmos para construir “bicicletas para la mente”. 

El símil procede de un gráfico publicado en el número de marzo de 1973 de la revista Scientific American, en el que se compara la eficiencia de los animales en movimiento. Un “hombre en bicicleta” era, por mucho, el más eficiente. Este hallazgo, escribe Mullainathan, brindó “una visión de lo que deberían ser las computadoras: bicicletas para la mente”.

Él y sus compañeros están llevando a cabo un experimento con estudiantes de matemáticas en la India. “La enseñanza es un gran salto hacia una nueva concepción mental”, afirmó Ashesh Rambachan, miembro del MIT y colaborador del proyecto. “Los profesores no entienden lo que los alumnos no consiguen comprender, pero un algoritmo podría ayudarlos en este sentido”.

Rambachan, Mullainathan y sus colaboradores de investigación en la India están recopilando miles de ejemplos de trabajo de los alumnos en sus tareas de matemáticas. Tienen previsto utilizar la IA para identificar dónde se equivocan, con el fin de crear un algoritmo que trace la “cartografía de la confusión”. “El objetivo es asistir a los profesores para que ayuden a los alumnos a entender los conceptos”, afirmó Mullainathan. En su opinión, esto podría “cambiar nuestro modo de concebir la mente del alumno”.

En palabras de Mullainathan, “la economía debe enfrentarse a la naturaleza fragmentada de nuestros modelos económicos y a las razones por las que las personas se comportan como lo hacen y toman las decisiones que toman. Los algoritmos son la nueva planta de producción de la ciencia. Tienen la capacidad de ayudarnos a unir los modelos. Creo que nos permitirán transformar las cuestiones filosóficas en ciencia definitiva en los próximos veinte años”.

Las opiniones expresadas en los artículos y otros materiales pertenecen a los autores; no reflejan necesariamente la política del FMI.